[發(fā)明專利]基于知識圖譜的流行病感染者預(yù)測方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202010695650.8
• 申請日: 2020-07-20
• 公開（公告）號: CN111739657B
• 公開（公告）日: 2020-12-15
• 發(fā)明（設(shè)計）人: 丁學(xué)利;王錫輝;賈晨宇
• 申請（專利權(quán)）人: 北京夢天門科技股份有限公司
• 主分類號: G16H50/80
• 分類號: G16H50/80
• 代理公司: 北京風(fēng)雅頌專利代理有限公司 11403
• 代理人: 王剛

1.一種基于知識圖譜的流行病感染者預(yù)測方法，其特征在于，包括：

獲取被調(diào)查人的基礎(chǔ)信息；若所述被調(diào)查人的基礎(chǔ)信息為語音形式，將所述被調(diào)查人的基礎(chǔ)信息轉(zhuǎn)換成文本形式；

提取所述被調(diào)查人的基礎(chǔ)信息的實體和關(guān)系，構(gòu)建被調(diào)查人知識圖譜；

獲取流行病學(xué)傳播知識圖譜；所述流行病學(xué)傳播知識圖譜利用流行病學(xué)數(shù)據(jù)庫構(gòu)建得到；具體包括：從所述流行病學(xué)數(shù)據(jù)庫中提取流行病學(xué)三元組數(shù)據(jù)集；利用所述流行病學(xué)三元組數(shù)據(jù)集構(gòu)建流行病學(xué)原始知識圖譜；利用TransE算法對所述流行病學(xué)原始知識圖譜進行訓(xùn)練，得到流行病學(xué)實體向量和流行病學(xué)關(guān)系向量；通過預(yù)先構(gòu)造的評價函數(shù)評估兩個流行病學(xué)實體之間是否存在隱含關(guān)系；根據(jù)所述隱含關(guān)系，更新所述流行病學(xué)原始知識圖譜，以得到所述流行病學(xué)傳播知識圖譜；其中，所述預(yù)先構(gòu)造的評價函數(shù)包括：；其中，(h,r,t)為正例三元組；h表示流行病學(xué)頭實體，t表示流行病學(xué)尾實體，r表示流行病學(xué)頭實體h和流行病學(xué)尾實體t之間的流行病學(xué)關(guān)系；T為正例三元組的集合；(h',r',t')為隨機替換掉流行病學(xué)實體和流行病學(xué)關(guān)系所構(gòu)建的負(fù)例三元組；T'為負(fù)例三元組的集合；γ為正負(fù)例三元組得分的間隔距離的超參數(shù)；E(h,r,t)為正例三元組得分的能量函數(shù)；E(h',r',t')為負(fù)例三元組得分的能量函數(shù)；

根據(jù)所述被調(diào)查人知識圖譜和所述流行病學(xué)傳播知識圖譜，匹配確定疑似患者；具體包括：將所述被調(diào)查人知識圖譜和所述流行病學(xué)傳播知識圖譜融合，得到流行病學(xué)調(diào)查知識圖譜；從所述流行病學(xué)調(diào)查知識圖譜中抽取子圖；計算所述子圖中與所述被調(diào)查人有接觸關(guān)系的人員和其他人員之間的相關(guān)性，將相關(guān)性較高的所述其他人員作為疑似患者；其中，所述計算所述子圖中與所述被調(diào)查人有接觸關(guān)系的人員和其他人員之間的相關(guān)性包括：；其中，w_uv表示與所述被調(diào)查人有接觸關(guān)系的人員u和其他人員v的相關(guān)性；N(u)表示所述子圖中與所述被調(diào)查人有接觸關(guān)系的人員u的集合；N(v)表示所述子圖中其他人員v的集合；

構(gòu)建包括若干樣本的樣本集；其中，所述樣本包括：樣本數(shù)據(jù)和標(biāo)簽數(shù)據(jù)；所述樣本數(shù)據(jù)包括所述被調(diào)查人的基礎(chǔ)信息；所述標(biāo)簽數(shù)據(jù)包括所述被調(diào)查人的流行病學(xué)調(diào)查報告；所述被調(diào)查人的流行病學(xué)調(diào)查報告包括被調(diào)查人的身份信息、被調(diào)查人的行程軌跡、被調(diào)查人的接觸人員和被調(diào)查人的發(fā)病過程；

根據(jù)所述樣本集，通過預(yù)定的機器學(xué)習(xí)算法，構(gòu)建并訓(xùn)練得到流行病學(xué)調(diào)查報告生成模型；

根據(jù)所述被調(diào)查人的基礎(chǔ)信息，通過所述流行病學(xué)調(diào)查報告生成模型，生成所述被調(diào)查人的流行病學(xué)調(diào)查報告；具體包括：所述流行病學(xué)調(diào)查報告生成模型采用循環(huán)神經(jīng)網(wǎng)絡(luò)模型，包括編碼器和解碼器；將所述被調(diào)查人的基礎(chǔ)信息輸入所述循環(huán)神經(jīng)網(wǎng)絡(luò)模型的輸入層，對所述被調(diào)查人的基礎(chǔ)信息進行詞嵌入處理，以提取各詞的特征得到所述被調(diào)查人的基礎(chǔ)信息中的各個詞的詞向量；將所述被調(diào)查人的基礎(chǔ)信息中的各個詞的詞向量逐步輸入所述編碼器，所述編碼器會逐步為各個詞生成第一隱狀態(tài)； 對于所述解碼器的第一步，將所述編碼器最后一步生成的第一隱狀態(tài)輸入所述解碼器，生成對應(yīng)于第一個輸出詞的第二隱狀態(tài)；對于第一步之后的每一步，所述解碼器能夠根據(jù)前一步生成的第二隱狀態(tài)以及前一步生成的輸出詞，生成當(dāng)前步的第二隱狀態(tài)；所述解碼器根據(jù)所述第二隱狀態(tài)通過Softmax函數(shù)進行歸一化，得到當(dāng)前步的輸出詞對應(yīng)為所述被調(diào)查人的基礎(chǔ)信息中的各個詞的輸出概率分布；將概率值最大的對應(yīng)的詞作為當(dāng)前步輸出的輸出詞；所述輸出詞按照順序排列，構(gòu)成所述流行病學(xué)調(diào)查報告。